RT info:eu-repo/semantics/bachelorThesis
T1 Soluciones Deep Learning para el aprendizaje con datos desbalanceados
A1 Olmos Vela, Lucía
A2 Universidad de Valladolid. Escuela de Ingeniería Informática de Segovia
K1 Aprendizaje profundo
K1 Desbalanceo
K1 Datos sintéticos
K1 5701.04 Lingüística Informatizada
K1 3304 Tecnología de Los Ordenadores
K1 ordenad
AB Conseguir un buen rendimiento de los algoritmos de clasificación cuando se trabaja con datosdesbalanceados es una labor difícil. En los últimos años ha sido creciente la investigación en estecampo, debido a la relevancia que adquiere conseguir clasificar correctamente elementos anómaloso poco comunes, en especial en entornos médicos, financieros o industriales.Este trabajo explora distintas técnicas y enfoques, centrándose posteriormente en aquellasparticularizadas a conjuntos de datos compuestos por imágenes. Se estudian diferentes algoritmosde balanceo dentro del ámbito del Deep Learning que buscan hacer frente a esta problemáticadel desbalanceo de clases mejorando así el rendimiento en las tareas de clasificación.Las técnicas empleadas son DeepSMOTE y BAGAN-GP. DeepSMOTE combina SMOTE,método de resampling, con el DeepLearning generando imágenes de calidad. Por otra parte,BAGAN-GP deriva del método BAGAN, ambos son modelos de balanceo basados en redesgenerativas adversarias. Tras un proceso de análisis, este trabajo muestra que el empleo tanto deBAGAN-GP como de DeepSMOTE mejora la tarea de clasificación, siendo esta última la técnicaque arroja los mejores resultados.
YR 2024
FD 2024
LK https://uvadoc.uva.es/handle/10324/68715
UL https://uvadoc.uva.es/handle/10324/68715
LA spa
NO Informática (LSI)
DS UVaDOC
RD 25-nov-2024